“符号流”这个术语是谁提出的？

Perslis Research 把“符号流”作为定义性术语来使用，这个定义出自我们。据我们所知，它在 AI 工程中此前没有公认的含义。其要素则更早：数据流编程、Unix 管道、编译器遍、证明助手与霍尔逻辑。

符号流和 AI 智能体工作流是一回事吗？

不是。在智能体工作流或提示链中，每一步都是一次模型调用，而且往往还由模型选择下一步，因此运行不可复现，错误的中间值会看似正确地向前传递。在符号流中，每一步都是取自固定词汇表的确定性操作，每次运行都能精确重放，而无法被检验的步骤会拒绝，而不是返回一个值。

LLM 可以成为符号流的一部分吗？

可以，但角色是固定的。语言模型可以用封闭词汇表提议一条流，在流已经算出的集合内部排序，或提供一个被记录下来的输入。它永远不会执行一个猜测：提议在任何东西运行之前就被准入或拒绝，而被准入的流在没有模型的情况下运行。

为什么确定性很重要？

因为无法复现的决策就无法审计。步骤是确定性的，相同输入就总是给出相同的输出和轨迹，因此任何过去的结果都可以通过再运行一次来核查。确定性不会让一条流正确，它让一条流可以被检验。

符号流和工作流引擎或 ETL 流水线是一回事吗？

不完全是。工作流引擎或 ETL 工具调度的是一张任务图，任务通常是任意代码。符号流限制了一个步骤可以是什么：封闭词汇表中一个有类型、确定性、经过检验的操作，并以拒绝作为定义明确的结果。符号流可以运行在工作流引擎之上。

符号流无法作答时会怎样？

它会拒绝，并指明它停在哪一步以及理由，例如没有证据、问题超出词汇表，或某个不变式失败。它从不以一个看似合理的值代替经过检验的值。

确定性的流能保证答案正确吗？

不能。确定性保证相同输入得到相同输出；一条错误的流每一次都会错。正确性来自检验：每一步的不变式、在存在时使用的可靠校验器，以及一个拒绝它无法检验的流的准入步骤。

解读 · 符号 AI · 科学与数学

什么是符号流？

面向 AI 的确定性流水线：符号流是什么、由哪些更早的思想构成、为什么一串模型调用不算符号流、重放与误差累积背后的数学，以及语言模型可以坐在哪个位置。

Perslis Research · 2026-09-26

符号流（symbolic flow）是这样一种流水线：其中每一步都是取自封闭词汇表的、明确且有类型的操作，因此从输入到输出的路径可以被精确重放、逐步审视，并对照不变式加以检验。没有哪一步会去猜：当某一步无法给出可检验的结果时，整条流会拒绝，并说明原因。

Perslis Research 的术语。“符号流”是我们为这套方法所起的名字，上面的定义也出自我们。其中的要素并不新；§2 列出了它们各自的来源。

一段话说清

今天的大多数 AI 流水线是一串模型调用。每一次调用大多数时候都对，整条链却在相当大比例的运行中出错，而且没有任何东西标出哪些运行是错的。符号流反其道而行之：它的步骤取自一套固定的、有类型的操作词汇表；每一步都是确定性的；每个输出都带着来源并经过检验；一步若无法被检验，就带着理由拒绝，而不是返回一个看似合理的值。语言模型可以用这套词汇提议一条流，但它永远不会执行一个猜测。换来的是可以证明、而不必寄望的性质：精确重放；因为每一步都成立、所以对整条流都成立的不变式；以及以拒绝而非错误答案的形式浮现的错误。

1. 什么是符号流？

同一个想法有时也被称为符号流水线（symbolic pipeline）、确定性 AI 流水线或可验证的 AI 工作流；我们使用符号流这个说法。一条流水线要算作符号流，其中每一步都必须满足四件事：

它有名字。它是一个操作，取自在写这条流之前就已固定的封闭词汇表。不存在“运行这段代码”的步骤，也不存在自由文本的步骤。
它有类型。它声明自己接受什么、返回什么；类型对不上的流根本不会运行。
它是确定性的。相同的输入，每次都返回相同的输出。没有任何采样。
它被检验，并且可以拒绝。它的输出要对照一个明确写出的条件加以检验；若条件无法满足，它就返回一个说明理由的拒绝，这个拒绝会代替答案一直传到流的末端。

由此得出用户真正关心的三项性质：一次运行可以被精确重放、可以被逐步审视（由具名操作组成的轨迹本身就是解释），也可以对照不变式检验，而不变式只需对每一步证明一次（§5）。

这个术语是谁提出的。Perslis Research 把“符号流”作为这套方法的定义性术语来使用。据我们所知，它在 AI 工程中此前没有公认的含义；在数学里，这个短语出现在符号动力学中，含义与此无关。这里的“符号”与符号 AI 中的用法相同：各步骤操作的是明确的、人能读懂、有确定含义的符号，而不是习得的权重。

2. 它建立在什么之上

每一个要素都有很长的历史。这个术语添加的是组合本身——把它们用在 AI 系统上，并把拒绝当作一等结果。按大致的时间顺序，我们欠下的债如下：

程序断言与霍尔逻辑。Robert Floyd 在 1967 年把断言附加到流程图上 [2]；Tony Hoare 在 1969 年将其发展为一个公理系统，写作 $P {Q} R$ ，意思是“若程序 $Q$ 运行前 $P$ 成立，则它结束时 $R$ 成立”，今天通常写作 ${P} C {Q}$ [1]。他的复合规则把两个三元组串成一个，这正是 §5.3 中的证明。
Unix 管道。Doug McIlroy 在 1964 年的一份备忘录中主张“像接花园水管那样”连接程序；管道在 1973 年随 Unix 第三版到来。1978 年《贝尔系统技术期刊》（Bell System Technical Journal）的 Unix 专刊前言用两条准则概括了这种纪律：“让每个程序只做好一件事”，以及“预期每个程序的输出都会成为另一个尚不知道的程序的输入” [5]。符号流保留了这种组合方式，并补上字节流所缺的东西：类型，以及一种定义明确的失败方式。
数据流编程。Jack Dennis 1974 年的数据流过程语言把程序看作一张算子图，值在其中流动，而过程“总是定义值的函数式变换” [3]；Johnston、Hanna 与 Millar 综述了此后的发展 [4]。对每一步的函数式理解，正是重放得以成立的原因。
证明流水线。在 LCF 证明助手中 [9]，任何策略（tactic）都可以提议一个证明，但只有一个很小的推理规则内核能够构造出定理。谁都可以提议；只有受信任的内核能够准入。符号流在语言模型与其地板之间建立的，正是这种关系（§6）。
工作流引擎与 ETL。抽取—转换—加载（ETL）作业和工作流引擎运行的是任务图；van der Aalst 等人整理了它们的控制流模式 [6]。区别在于一个步骤被允许是什么（§8）。
编译器遍及其验证。编译器是一连串作用于中间表示的遍（pass）。CompCert 在 Coq 中证明每一遍都保持程序的含义，因此整个编译器也保持 [7]。翻译确认（translation validation）则改为用一个独立的确认器检查每一次具体运行 [8]。这两条路线都出现在 §5，分别是定理 2 和定理 4。

这些都不是为这样一种流水线设计的：它最有能力的组件——语言模型——同时也是最不可预测的组件。符号流要应对的正是这种局面。

3. 为什么需要符号流：智能体链的问题

构建多步 AI 系统的常见方式是提示链：每一步交给语言模型，每个输出喂给下一个提示。Wu、Terry 与 Cai 以 AI Chains 为名研究了这种模式，发现它提升了用户感受到的透明度与可控性 [10]。LLM 智能体走得更远：在 ReAct 这类循环中，模型把推理与行动交织在一起，并自己选择下一步 [11]。

相比单个提示，链式调用是真正的进步。但它仍留下三个问题，单步质量再高也消除不了：

误差会累积。每一步都是一次随机变换。十个各自有 95% 正确率的步骤，若没有哪一步能修复先前的错误，合在一起只有大约 60% 的时候是对的（命题 3）。
错误是无声的。一个错误的中间值，和正确的值一样是格式相同的流畅文本，所以第 2 步的错误若会浮现，也是以第 10 步的一个自信答案的形式。
无法重放。采样、模型更新和不断变化的上下文，意味着同一输入不一定两次产生同样的运行；而无法复现的决策也就无法审计。

更深层的问题在于性质存在于哪里。我们的预印本《编排缺口》 [12] 论证：对每个模型证明的性质（例如拒绝有害请求），并不能组合成一个可以挑选并编排这些模型的系统的性质——权力在编排链上。链级不变式需要一个位于所有模型之外的层：确定性的、与模型无关的、感知来源的、可审视的。符号流让链条本身以一种可以陈述并证明这类不变式的方式构建。

4. 符号流的构成

六个部分，每一个都是你可以通过阅读这条流来核查、而不必信任其作者的性质。

封闭的操作词汇表。一个步骤能做的事是固定且有限的，在任何流被写出之前就已写好。一条流把带固定参数的词汇项组合起来，例如 filter(approved) 或 sum(amount)；需要词汇表之外东西的问题会被报告为不可映射，而不是被近似。
有类型的输入与输出。每个操作都声明其输入和输出类型，流在运行前先做类型检查。
确定性。每个操作都是数学意义上的函数：没有采样，没有隐藏的时钟，步骤中途也不读网络。外部值以固定下来的输入进入，而不是在运行中发起调用。
每个输出都带来源。一个输出说明自己来自哪些输入、经过了哪些步骤。Perslis 地板的答案带着它的推导，而这正是工具被准入之前受检的那同一条字符串（§6）。
每一步都检验不变式。每一步对其输出都有一个明确写出的条件，在该步运行时检验；不满足条件的输出不会被传下去。
以拒绝代替猜测。拒绝是一种有类型的结果，不是异常，也不是空字符串。它会说明理由，例如无证据、不可映射或不变式失败，并原样穿过其余步骤，因此一条流的结局要么是一个经过检验的答案，要么是它停下的位置与理由。

图 1. 错误去了哪里。在链中，出错的一步把一个看似合理的值传下去（0.95 的四次方 ≈ 0.81）。在流中，每个操作都有类型、每个输出都受检验；检验失败即以具名拒绝的形式离开这条流。

5. 数学

这里的数学没有一样是新的。重点是说明哪一项保证来自哪一个假设，这样你就知道去掉某个假设时会失去什么。

5.1 设定

定义 1（符号流）。设

Σ

为一个有限的操作词汇表，

R

为拒绝的集合，每个拒绝带有一个理由。长度为

n

的流是一个操作序列

f_{1}, \dots, f_{n}

，其中每个都是

Σ

中某个元素带固定参数的实例，并具有声明的类型

f_{i} : T_{i - 1} \to T_{i} ⊎ R

，且各类型首尾相接。对输入

x \in T_{0}

，运行过程为

x_{0} = x, x_{i} = {\begin{cases} f_{i} (x_{i - 1}) & 若 x_{i - 1} \notin R \\ x_{i - 1} & 若 x_{i - 1} \in R （拒绝原样传递） \end{cases}

流的输出与轨迹为

F = f_{n} \circ \dots \circ f_{2} \circ f_{1}, F (x) = x_{n}, τ (x) = (x_{0}, x_{1}, \dots, x_{n})

其中拒绝原样传递。当每个 $f_{i}$ 都是函数时，即对每个输入恰有一个值（一个结果或一个拒绝），称这条流是确定性的。

5.2 重放

定理 1（重放）。若一条流是确定性的，则对每个输入

x

，其输出

F (x)

与整条轨迹

τ (x)

都由这条流与

x

唯一确定。对同一输入的两次运行，产生相同的输出与相同的轨迹，一步不差。

证明。对

i

归纳。

x_{0} = x

是固定的。若

x_{i - 1}

被唯一确定，则

x_{i}

也是：它要么等于拒绝

x_{i - 1}

，要么等于

f_{i} (x_{i - 1})

，而函数在每一点恰有一个值。∎

证明是平凡的；内容全在假设里。只要有任何一步做了采样，定理就不再适用：温度不为零的模型调用、读取时钟或网络、遍历无序集合。重放是审计得以可能的前提：要核查一个过去的决策，就再运行一次。正如 Perslis 国防运行时所说，一个非确定性的安全层无法回放，而无法回放的层无法被认证（defense/runtime）。

5.3 可组合的不变式

定义 2（步骤契约）。对步骤输入类型上的谓词

P

与输出类型上的谓词

Q

，记

{P} f {Q} ⟺ \forall x . P (x) \Rightarrow f (x) \in R \lor Q (f (x))

这是一个霍尔三元组 [1]，其中拒绝总是可接受的结果：一步可以拒绝，但它返回的任何东西都满足 $Q$ 。

定理 2（不变式保持）。设

I_{0}, \dots, I_{n}

是

T_{0}, \dots, T_{n}

上的谓词。若对每个

i

都有

{I_{i - 1}} f_{i} {I_{i}}

，则

{I_{0}} F {I_{n}}

。特别地，若每一步都满足

{I} f_{i} {I}

，则

{I} F {I}

。

证明。对

k

归纳，证明

I_{0} (x)

蕴含

x_{k} \in R \lor I_{k} (x_{k})

。

k = 0

时这就是假设。归纳步：若

x_{k - 1} \in R

，则

x_{k}

是同一个拒绝；否则

I_{k - 1} (x_{k - 1})

成立，由

f_{k}

的契约得

x_{k} \in R \lor I_{k} (x_{k})

。取

k = n

即得结论。∎

这就是把霍尔的复合规则应用 $n - 1$ 次，与 CompCert 的论证同形：对每一步证明一次的性质，对整条流水线成立 [7]。各步骤可以逐个验证，并在任何类型与不变式对得上的流中复用。

推论 1（运行时检验就足够）。给任意操作

g

包上一层对

Q

的运行时检验：若

g (x) \in R

或

Q (g (x))

，令

\hat{g} (x) = g (x)

，否则返回一个指明

Q

的拒绝。那么无论

g

做什么，对任意

P

都有

{P} \hat{g} {Q}

。

这就是“每一步都检验不变式”的形式含义：要得到定理 2，你不必证明某个操作是正确的，只需要一个可判定的不变式，以及愿意拒绝。保证的强度只取决于 $Q$ 说了什么（§10）。

5.4 未经检验的链中的误差累积

现在去掉确定性与检验。把一条链建模为 $k$ 个随机步骤，令 $S_{i}$ 表示第 $i$ 步产生正确输出这一事件。

命题 3（累积）。假设没有哪一步会修复先前步骤的错误，因此最终输出正确当且仅当每一步都正确。令

q_{i} = \Pr [S_{i} ∣ S_{1} \cap \dots \cap S_{i - 1}]

，则

\Pr [最终输出正确] = \prod_{i = 1}^{k} q_{i} \leq q^{k} 当每个 q_{i} \leq q

证明。最终输出正确当且仅当

S_{1} \cap \dots \cap S_{k}

发生，而概率的链式法则把这个交集的概率写成各条件概率

q_{i}

的乘积。∎

这里没有假设独立性：每个 $q_{i}$ 都以之前的步骤为条件。对十个各自有 95% 正确率的步骤，

{0.95}^{10} = 0.59873693923837890625 \approx 0.599

也就是十次运行中有四次是错的，而且没有标记告诉你是哪四次。

命题 3 下的端到端正确率，由公式计算。这是算术，不是对任何系统的测量。
单步正确率 q	步数 k	q 的 k 次方	解读
0.99	10	0.904	大约十次中错一次。
0.95	10	0.599	十次中错四次。
0.95	20	0.358	多数运行是错的。
0.99	50	0.605	长链抵消了非常好的单步。
0.99	100	0.366	由好步骤组成的长链通常会失败。

“不修复”这一假设是模型，而非定律：若后面的某一步能发现错误，这个乘积就是下界。但修复步骤本身就是一次检验，这正是下一个结果。

5.5 可靠的检验把错误变成拒绝

保留随机步骤，但在每一步之后放一个校验器 $V_{i}$ 。它看到该步的输入与输出，接受或拒绝；拒绝即成为一次拒绝结果。若在输入正确时，该步输出错误且 $V_{i}$ 接受它的概率至多为 $ε_{i}$ ，称 $V_{i}$ 是 $ε_{i}$ -可靠的。

定理 4（错误变成拒绝）。若流从正确的输入开始，且每个

V_{i}

都是

ε_{i}

-可靠的，则

\Pr [流返回错误答案] \leq \sum_{i = 1}^{k} ε_{i}

而在校验器精确（每个 $ε_{i} = 0$ ）时，每次运行的结局要么是正确答案，要么是拒绝。

证明。若流返回了错误答案，令

i

为第一个输出错误的步骤。它的输入是正确的，输出是错误的，而且

V_{i}

接受了它，否则这次运行就会以拒绝告终。记这一事件为

E_{i}

；由可靠性，

\Pr [E_{i}] \leq ε_{i}

。错误答案蕴含某个

E_{i}

发生，由并集上界即得求和。∎

这个结果很容易被夸大。校验器并不会让链变得更有能力：若校验器同时接受每一个正确输出，流给出答案的概率仍是 $\prod q_{i}$ ，因此十个 0.95 的步骤只有 59.9% 的时候给出答案，40.1% 的时候拒绝。改变的是这 40.1% 的去向：不再是看起来正确的错误答案，而是注明步骤与理由的拒绝。若各次尝试相互独立，重试被拒绝的步骤会有帮助：在 $q = 0.95$ 时，两次尝试使单步达到 $1 - {0.05}^{2} = 0.9975$ ，端到端为 ${0.9975}^{10} \approx 0.975$ 。这个数字是乐观的，因为对同一提示重新采样的模型往往会重复自己的错误；安全性来自可靠性，而不是重试。

我们在内部测量过这一效应：在一项激酶识别任务中（什么是失效安全模型？），让模型的猜测当作事实计入，会把正确识别率从 1.000 降到 0.753；只准入经过核验的事实，则保持在 1.000 [14]。

6. 模型在流中的位置

符号流并不排斥语言模型，而是固定它的角色。模型可以提议一条流；它永远不会执行一个猜测。提议用封闭词汇表写成，因此可以在任何东西运行之前被检验；一旦被准入，这条流在没有模型的情况下运行。

Perslis 符号地板（问一次，答案归你。）[13] 是公开的例子。编写一个工具这件事本身就是一条流，模型恰好只占其中一步：

描述 → 提议规格 → 准入或拒绝 → 保留工具

描述。你用自然语言把问题描述一次（“已批准发票的总金额”）。工具会打印一段提示，其中带着你的列名和封闭的原语词汇表。
提议。模型组合出一份规格。它不是代码，而是一条流水线，例如 rows → filter(approved) → sum(amount)。模型只能在词汇表内组合，没有通往 Python 的逃生口。
准入或拒绝。地板通过一组固定的检查（按公开页面所述，共七项）决定这份规格是否可准入。模型写出的任何东西，在被准入之前都不会运行。
保留。被准入的规格经签名、晋升，并从你自己的机器上通过 MCP 提供服务，model_calls: 0。

该页面列出了三种拒绝，每一种都是 §4 的实例：它不会猜（返回 NO_EVIDENCE，而不是一个看起来合理的数字）；它不会运行未经准入的工具（手工改动过的规格会被拒绝并被指名）；它不会凭空造出一个领域（地板无法核验的问题会被报告为不可映射）。页面还说明了准入门为什么不在下载包里：一份绕过它的错误规格会自信地、离线地、无限期地作答，而再没有模型能发现它。这就是定理 1 的另一面：确定性让一条流可以重放，但不让它正确。

另外两种放置方式也符合这条规则。模型可以在流已经算出的集合内部排序，却无法往集合里添加东西。模型的输出也可以作为数据进入：记录一次并标明来源之后，它就成为流可以重放的输入。记录一个猜测让它可复现，而不是让它为真，所以它不会进入任何准入事实的步骤。

7. Perslis 中的符号流

三个公开的例子，描述到它们各自页面所描述的程度为止；它们都是研究原型。

7.1 地板工具的答案流

一个被晋升的地板工具是最简单的符号流：rows → filter(approved) → sum(amount)。它公开的答案带有状态（DERIVED）、数值（1290.49）、model_calls: 0，以及一条推导——它是答案的依据，而不是一行日志。词汇表很小：rows、filter 和七个归约器，作用于朴素的 JSON 行。执行器是 303 行仅依赖标准库的 Python，不含任何网络代码，可供下载，任何人都能读完（research/floor）。

7.2 VDSG 的决策流

VDSG，即军用 Peel，是驾驶 id Software 的《DOOM》与《德军总部 3D》的地板，它经由一条固定的链运行，公开在其演示页面上：

引擎状态 → 态势报告 → 规则 → 指令 → 证据 → 执行器

事实。由引擎状态构成的态势报告，就是决策的全部输入。
封闭的目标词汇表。七个目标（HEAL、DODGE、RETREAT、ATTACK、SEARCH、RESUPPLY、EXPLORE）按固定优先级排列，每个目标只有在其对象存在时才可容许。
确定性规则。约 300 行朴素的 Python，没有权重，没有状态：同一份报告每次都得出同一个目标。
只会收窄的指令。诸如不许开火这样的指令由一套固定的短语词汇解析，而不是由模型解析。无法识别的文本会被拒绝，从不去猜；世界无法满足的指令会带着理由被拒绝，直到可以满足为止。
在集合内部学习。证据记忆只在规则与指令留下的范围内排序，因此学习无法采取被禁止的动作。

运行时页面把通用契约表述为事实 → 可容许集合 → 目标 → 投影 → 记忆 → 动作，外加一次能指名自身证据的拒绝；只有第一阶段与领域相关。有一点对重放很重要：证据记忆是状态，所以一个决策是当时的报告、指令和记忆的函数，重放也需要记忆快照。演示页面正是这样逐面板地回放一段录制的运行。它如实报告的结果是：在 Hurt Me Plenty 难度下通关 E1M1，在 Nightmare 下没有，并且尚未通关 E1M2。

7.3 Peel 的失效安全回路

Peel 的学习回路公开在什么是失效安全模型？中，它是一条作用于失败记录的符号流：

失败 → 观察 → 解释 → 建立规则 → 核验 → 重试

每个阶段都是一个有明确输出的具名操作：一条被记录的失败；决策时刻的事实；这次失败被记到的那个决策；一条引用挣得它的失败、且只有在其危害相对基准率在统计上清晰时才形成的规则；一次确认该规则只在可容许集合内生效的核验；以及一次去掉了被判定选项的重试。学习是可读的计数，做决定的回路中没有神经网络。模型可以提议；只有地板能接纳一条事实。

8. 符号流、智能体链与工作流引擎的比较

各方法的典型形态；具体系统各有不同。工作流引擎可以运行符号流：区别在于一个步骤被允许是什么。
	LLM 智能体链	工作流引擎 / ETL	符号流
一个步骤是	一次模型调用；在智能体循环中，模型还会选择下一步	图中的一个任务，通常是任意代码	封闭、有类型词汇表中的一个操作
确定性	没有保证	取决于每个任务的代码	每一步都必须满足
重放	只能靠记录每一个输出	重新运行，前提是任务幂等且输入固定	精确：相同输出、相同轨迹（定理 1）
审计记录	文本对话记录	运行日志与任务状态	具名步骤的轨迹本身就是依据
错误去向	以看似合理的值向前传递	任务失败与重试；错误但“成功”的任务会悄无声息地通过	注明步骤与理由的拒绝
谁掌握权力	模型，以及调度它的编排器	编写任务代码的人	词汇表与检验；模型只能提议

这就是“AI 工作流与智能体链有何不同”的实际答案。它不是在否定工作流引擎——它们擅长调度与重试；也不是在否定语言模型——它们擅长封闭词汇表做不到的事：阅读开放式文本并提出结构。我们的主张更窄：当一个步骤的输出将被当作事实，或将引发一个动作时，这个步骤应当是符号化的。

9. 符号流与失效安全模型

失效安全模型在证据缺失时关闭；它的学习只能收窄、永远不能扩大它被授权做的事；而每一次拒绝都引用证据。每一项都是符号流的性质：

失效时关闭就是把拒绝作为有类型的结果（§4 第 6 项）。
可追责的拒绝就是来源与轨迹（§4 第 4、5 项）。
有界的学习就是以“所选选项位于可容许集合内”为不变式的定理 2。一个输出总是其输入的子集或重排的学习者会保持这一不变式；失效安全模型页面上的有界学习定理，正是这一论证的特例。

用这里的话说，失效安全模型就是一个以符号流构建、并把学习者限制在其中一步的决策回路。Perslis Research 的 Peel 据我们所知是第一个失效安全模型；确切的主张与最接近的更早工作见什么是失效安全模型？。它是研究原型，并非经过认证的安全系统。

10. 符号流做不到的事

这些是符号 AI 的经典局限，我们把它们说得和保证一样直白。

确定性不等于正确性。一条确定性的流可以每一次都错。定理 1 保证的是可复现，而不是真实，所以一条流需要一个准入步骤，而不只是一个执行器。
不变式只保证它所说的内容。定理 2 承载的就是 $I$ 所陈述的内容，仅此而已；没人写下来的性质不受保护。
封闭的词汇表就是封闭的。词汇表之外的问题只能被报告为不可映射。扩充词汇表是人的工作：这就是曾限制专家系统的知识获取瓶颈（见符号 AI 的历史）。
感知依然困难。从像素或文字中得到可靠的符号，是符号接地问题，也正是习得模型发挥作用的地方。例如，VDSG 基于颜色的眼睛在 DOOM 上与引擎教给它的标签吻合 78–92%，而它的卡片只被当作第二证人，从来不是地图。
拒绝有代价。可靠的校验器把错误答案变成拒绝，而不是变成正确答案。一条 40% 的时候都在拒绝的流，可能是安全的，同时也没用（§5.5）。
组合可能爆炸。可能的流的数量随长度呈指数增长，因此搜索一条流（而不是检验一条被提议的流）代价高昂：这是经典规划遇到过的组合爆炸，也是把提议交给模型的原因之一。

因此，实际的系统会是混合的：用习得组件做感知与提议，用符号流处理任何将被准入为事实或转化为动作的东西。神经符号 AI 更全面地讨论了这一设计空间，符号系统则讨论了各步骤所操作的表示。

11. 常见问题

什么是符号流？: 符号流是这样一种流水线：其中每一步都是取自封闭词汇表的、明确且有类型的操作，因此从输入到输出的路径可以被精确重放、逐步审视，并对照不变式加以检验。没有哪一步会去猜：当某一步无法给出可检验的结果时，整条流会拒绝，并说明原因。
“符号流”这个术语是谁提出的？: Perslis Research 把“符号流”作为定义性术语来使用，这个定义出自我们。据我们所知，它在 AI 工程中此前没有公认的含义。其要素则更早：数据流编程、Unix 管道、编译器遍、证明助手与霍尔逻辑。
符号流和 AI 智能体工作流是一回事吗？: 不是。在智能体工作流或提示链中，每一步都是一次模型调用，而且往往还由模型选择下一步，因此运行不可复现，错误的中间值会看似正确地向前传递。在符号流中，每一步都是取自固定词汇表的确定性操作，每次运行都能精确重放，而无法被检验的步骤会拒绝，而不是返回一个值。
LLM 可以成为符号流的一部分吗？: 可以，但角色是固定的。语言模型可以用封闭词汇表提议一条流，在流已经算出的集合内部排序，或提供一个被记录下来的输入。它永远不会执行一个猜测：提议在任何东西运行之前就被准入或拒绝，而被准入的流在没有模型的情况下运行。
为什么确定性很重要？: 因为无法复现的决策就无法审计。步骤是确定性的，相同输入就总是给出相同的输出和轨迹，因此任何过去的结果都可以通过再运行一次来核查。确定性不会让一条流正确，它让一条流可以被检验。
符号流和工作流引擎或 ETL 流水线是一回事吗？: 不完全是。工作流引擎或 ETL 工具调度的是一张任务图，任务通常是任意代码。符号流限制了一个步骤可以是什么：封闭词汇表中一个有类型、确定性、经过检验的操作，并以拒绝作为定义明确的结果。符号流可以运行在工作流引擎之上。
符号流无法作答时会怎样？: 它会拒绝，并指明它停在哪一步以及理由，例如没有证据、问题超出词汇表，或某个不变式失败。它从不以一个看似合理的值代替经过检验的值。
确定性的流能保证答案正确吗？: 不能。确定性保证相同输入得到相同输出；一条错误的流每一次都会错。正确性来自检验：每一步的不变式、在存在时使用的可靠校验器，以及一个拒绝它无法检验的流的准入步骤。

12. 参考文献

C. A. R. Hoare. An Axiomatic Basis for Computer Programming. Communications of the ACM 12(10):576–580, 1969. doi:10.1145/363235.363259.
R. W. Floyd. Assigning Meanings to Programs. In Mathematical Aspects of Computer Science, Proceedings of Symposia in Applied Mathematics 19:19–32, American Mathematical Society, 1967.
J. B. Dennis. First Version of a Data Flow Procedure Language. In Programming Symposium, Lecture Notes in Computer Science 19:362–376, Springer, 1974. doi:10.1007/3-540-06859-7_145.
W. M. Johnston, J. R. P. Hanna, R. J. Millar. Advances in Dataflow Programming Languages. ACM Computing Surveys 36(1):1–34, 2004. doi:10.1145/1013208.1013209.
M. D. McIlroy, E. N. Pinson, B. A. Tague. UNIX Time-Sharing System: Foreword. Bell System Technical Journal 57(6):1899–1904, 1978. doi:10.1002/j.1538-7305.1978.tb02135.x.
W. M. P. van der Aalst, A. H. M. ter Hofstede, B. Kiepuszewski, A. P. Barros. Workflow Patterns. Distributed and Parallel Databases 14(1):5–51, 2003. doi:10.1023/A:1022883727209.
X. Leroy. Formal Verification of a Realistic Compiler. Communications of the ACM 52(7):107–115, 2009. doi:10.1145/1538788.1538814.
A. Pnueli, M. Siegel, E. Singerman. Translation Validation. In TACAS 1998, Lecture Notes in Computer Science 1384:151–166, Springer, 1998. doi:10.1007/BFb0054170.
M. J. C. Gordon, R. Milner, C. P. Wadsworth. Edinburgh LCF: A Mechanised Logic of Computation. Lecture Notes in Computer Science 78, Springer, 1979. doi:10.1007/3-540-09724-4.
T. Wu, M. Terry, C. J. Cai. AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts. CHI 2022. doi:10.1145/3491102.3517582. arXiv:2110.01691.
S. Yao, J. Zhao, D. Yu, N. Du, I. Shafran, K. Narasimhan, Y. Cao. ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023. arXiv:2210.03629.
Perslis Research. The Orchestration Gap: why model-level alignment cannot survive multi-model runtimes. 预印本，2026。research.perslis.com/orchestration-gap
Perslis Research. 《问一次，答案归你》，符号地板，运行时 1.0.0，2026。research/floor
Perslis Research. Inference Placement: where learned inference earns authority in a provenance-constrained symbolic system. 2026. research.perslis.com/inference-placement